Collaborer dans la chaîne logistique : où en sommes-nous?
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Résumé La gestion de la chaîne logistique se matérialise par un partage d’informations et un redéploiement des activités entre les différents maillons qui la composent. Au cours des deux dernières décennies, différentes initiatives sectorielles ont été mises en avant pour bénéficier de la valeur de la chaîne, par exemple dans les industries du vêtement, de la distribution alimentaire et de la santé. Bien qu’elles aient été de puissants outils de sensibilisation à de bonnes pratiques de gestion de la chaîne, ces initiatives ne sont pas toujours parvenues à tisser des partenariats durables entre les organisations. Néanmoins, des entreprises poursuivent individuellement des démarches de collaboration avec des organisations partenaires dans le but de resserrer ces liens. Cette collaboration peut prendre différentes formes qui impliqueront nécessairement un partage de responsabilités. Selon une analyse de trois cas d’entreprises, il s’avère que l’intention stratégique, la présence de conditions facilitatrices et les retombées attendues constituent des facteurs importants à prendre en considération pour soutenir des initiatives de collaboration. En fait, de telles initiatives ne sont pas à la portée de toutes les entreprises. En effet, ces dernières doivent apprendre à collaborer.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it